Geri Dön

Sinyal ayrıştırma teknikleri ve derin öğrenme modeli kullanılarak eeg sinyallerinden zihinsel iş yükünün otomatik tespiti

Automatic detection of mental workload from eeg signals using signal discrimination techniques and deep learning model

  1. Tez No: 824873
  2. Yazar: HÜSEYİN CAN AY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ŞÜKRÜ KİTİŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Nöroloji, Science and Technology, Electrical and Electronics Engineering, Neurology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 89

Özet

Zihinsel iş yükü, belirli bir süre boyunca bir görevi tamamlamak için gerekli olan zihinsel iş miktarıdır. Zihinsel iş yükünü ölçmek için taşınılabilirliliği, kullanım pratikliği ve sinyal alımının kolaylığı gibi sebeplerle çoğunlukla EEG sinyalleri kullanılmaktadır. Literatürde, zihinsel iş yükünün sınıflandırılmasıyla ilgili farklı özellik çıkarma ve sınıflandırma algoritmaları kullanılarak birçok çalışma yapılmıştır. Fakat yapılan bu çalışmalarda sınırlı başarılara ulaşılmıştır. Bu tez çalışmasında, katılımcılara iki farklı sayının seri olarak çıkartılması aritmetik görevi verilmiştir. Katılımcıların dinlenme ve aritmetik görev verildiği esnasındaki EEG sinyalleri, 23 kanallı ve 500 hz örnekleme frekansına sahip EEG cihazı kullanılarak kaydedilmiştir. Ham EEG sinyallerine DWT ve EMD uygulanarak delta (0-4 hz), teta (4-8 hz), alfa (8-16 hz) ve beta (16-32 hz) bandları elde edilmiştir. Bandlara ait PSD değerleri Welch yöntemi kullanılarak hesaplanmıştır. Her bir banddan gelen güç değerleri birleştirilerek öznitelik vektörleri oluşturulmuştur. DWT+Welch, EMD+Welch ve Welch ile oluşturulan öznitelik vektörlerinin, LSTM derin öğrenmesi algoritması ile SVM ve k-NN makine öğrenmesi algoritmaları kullanılarak sınıflandırma işlemi yapılmıştır. Sınıflandırma sonucunda her sınıflandırıcıya ait performans metrikleri kanallar bazında çizelgeler halinde gösterilmiştir.

Özet (Çeviri)

Mental workload is the amount of mental work required to complete a task over a given period of time. EEG signals are mostly used to measure mental workload for reasons such as portability, practicality of use and ease of signal reception. In the literature, many studies have been carried out using different feature extraction and classification algorithms related to the classification of mental workload. However, limited success has been achieved in these studies. In this thesis, the participants were given the arithmetic task of serially subtracting two different numbers. The EEG signals of the participants in their resting state and during the arithmetic task were recorded using an EEG device with 23 channels and a sampling frequency of 500 Hz. By applying DWT and EMD to raw EEG signals, delta (0-4 hz), theta (4-8 hz), alpha (8-16 hz) and beta (16-32 hz) bands were obtained. PSD values of the bands were calculated using the Welch method. The feature vectors created with DWT+Welch, EMD+Welch and Welch were classified using LSTM deep learning algorithm and SVM and k-NN machine learning algorithms. As a result of the classification, the performance metrics of each classifier are shown in charts on the basis of channels.

Benzer Tezler

  1. Classification of ten different motor imagery eeg signals by using deep neural networks

    On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması

    NURİ KORHAN

    Doktora

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

  2. Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  3. Efficient deep learning approaches for signal and image analysis applications

    Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları

    ONUR CAN KOYUN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  4. Rüzgâr hızındaki doğrusal olmayan dinamikler ile baş edebilen gürbüz tahmin modeli

    Robust forecasting model coping with nonlinear dynamics in wind speed

    CANER BARIŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYTAÇ ALTAN

  5. Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL